Como a IA Deteta Acidentes Automóveis Encenados Usando Reconhecimento de Padrões
Acidentes automóveis encenados não são fraudes menores. São operações organizadas conduzidas por redes de fraude que apresentam centenas de reclamações junto de múltiplas seguradoras, utilizando participantes recrutados, prestadores de cuidados médicos cúmplices e, por vezes, advogados corruptos. O National Insurance Crime Bureau estima que os acidentes encenados custam à indústria seguradora milhares de milhões de dólares por ano, e esse custo é transferido diretamente para os segurados honestos através de prémios mais elevados.
A deteção tradicional de fraude em sinistros automóveis depende fortemente de sinais de alerta que os peritos são treinados para identificar. A reclamação foi apresentada de forma suspeitamente rápida após a contratação de uma apólice. O acidente ocorreu num local conhecido por encenações. Há um número invulgar de reclamantes no veículo. O tratamento médico segue um padrão associado a reclamações fraudulentas. Estes sinais de alerta funcionam, mas são limitados pelo que um único perito consegue ver numa única reclamação.
O problema com os acidentes encenados é que são concebidos para parecerem legítimos ao nível da reclamação individual. Cada reclamação pode ter apenas um ou dois sinais de alerta menores que um perito poderia facilmente ignorar. O verdadeiro padrão só se torna visível quando se analisam dezenas ou centenas de reclamações relacionadas, e é exatamente isso que o reconhecimento de padrões por IA é projetado para fazer.
Como Funciona o Reconhecimento de Padrões
A deteção de fraude por IA para acidentes encenados funciona construindo um grafo de rede de relações entre reclamações. Cada reclamação envolve múltiplas entidades: o segurado, os reclamantes, os veículos, os prestadores de cuidados médicos, os advogados, as oficinas de reparação e as localizações geográficas. O sistema mapeia estas entidades e as suas relações em todo o portefólio de sinistros.
Quando uma nova reclamação é apresentada, o sistema verifica se alguma das entidades envolvidas apareceu em reclamações anteriores e se as relações entre entidades correspondem a padrões de fraude conhecidos. Um reclamante que esteve envolvido em três colisões traseiras nos últimos dois anos é suspeito por si só. Esse mesmo reclamante, tratado pelo mesmo quiroprático, representado pelo mesmo advogado, em três reclamações diferentes junto de três seguradoras diferentes, é uma rede de fraude à espera de ser investigada.
Os modelos também procuram padrões nos próprios dados das reclamações. Colisões traseiras encenadas a baixa velocidade seguem um padrão previsível: múltiplos ocupantes, todos alegando lesões nos tecidos moles, todos procurando tratamento quiroprático ou de gestão da dor, com tratamento que se estende exatamente pela duração que maximiza o valor da reclamação nessa jurisdição. O modelo de IA aprendeu este padrão a partir de casos históricos de fraude confirmada e consegue identificá-lo em novas reclamações.
Padrões Geográficos e Temporais
As redes de fraude operam em áreas geográficas específicas. Sabem quais cruzamentos são bons locais de encenação, quais são pontos cegos para câmaras de trânsito e quais jurisdições têm ambientes legais que favorecem os reclamantes. Os sistemas de IA mapeiam as localizações das reclamações e identificam clusters geográficos que excedem as frequências esperadas de sinistros.
Os padrões temporais também são importantes. Um pico repentino de reclamações envolvendo circunstâncias semelhantes em locais semelhantes dentro de um curto intervalo de tempo é um forte indicador de atividade de fraude organizada. O sistema consegue detetar estes picos em tempo real, em vez de esperar por uma análise trimestral para revelar a tendência.
Algumas redes de fraude alternam as suas operações entre áreas geográficas para evitar a deteção. Encenam acidentes num concelho durante alguns meses, depois mudam-se para outro concelho e depois regressam. Os sistemas de IA conseguem rastrear estes padrões de migração porque mantêm uma memória longa de relações e localizações ao longo de todo o histórico de sinistros.
O Ângulo dos Prestadores de Cuidados Médicos
Os prestadores de cuidados médicos são um nó crítico nos esquemas de acidentes encenados porque geram a documentação que sustenta a reclamação. Um prestador médico cúmplice documentará lesões que podem não existir, prescreverá tratamentos desnecessários e inflacionará a faturação para maximizar o valor da reclamação.
Os sistemas de IA identificam prestadores médicos suspeitos analisando os seus padrões de tratamento em todas as reclamações, não apenas nas individuais. Um quiroprático que trata todos os pacientes de acidentes automóveis com o mesmo protocolo independentemente da lesão reportada, cujos pacientes atingem sempre a melhoria médica máxima exatamente no mesmo número de consultas, e que gera faturas consistentemente no topo da tabela de honorários, destaca-se nos dados mesmo que cada reclamação individual pareça irrelevante.
O sistema também identifica redes de referenciação. Se um advogado específico encaminha consistentemente clientes para o mesmo conjunto de prestadores médicos, e esses prestadores apresentam padrões de faturação invulgares, toda a rede torna-se alvo de investigação.
O Que Acontece Após a Deteção
Detetar uma potencial rede de fraude é apenas o primeiro passo. O sistema gera alertas para a Unidade de Investigações Especiais (SIU) da seguradora com as provas de suporte apresentadas de forma clara. Isto inclui o grafo de rede mostrando as relações entre entidades, as reclamações específicas envolvidas, os padrões identificados e os dados históricos que sustentam a hipótese de fraude.
Este pacote estruturado de provas reduz drasticamente o tempo que os investigadores da SIU gastam a construir um caso. Em vez de partirem de uma única reclamação suspeita e terem de rastrear manualmente todas as ligações, recebem uma visão abrangente da rede suspeita com todos os pontos de dados já conectados.
Algumas seguradoras também começaram a partilhar informações de fraude entre empresas através de bases de dados da indústria. Quando uma seguradora identifica uma rede de fraude, a informação pode ser partilhada para que outras seguradoras possam sinalizar reclamações relacionadas nos seus próprios portefólios. Os sistemas de IA que se ligam a estas bases de dados partilhadas podem cruzar referências de reclamações com entidades de fraude conhecidas em toda a indústria.
O Problema dos Falsos Positivos
Qualquer sistema de deteção de fraude tem de equilibrar sensibilidade com especificidade. Um sistema que sinaliza demasiadas reclamações legítimas como potencialmente fraudulentas cria uma carga de trabalho massiva para a SIU e atrasa os pagamentos aos segurados honestos. Um sistema demasiado conservador deixa escapar fraudes reais.
Os modelos de IA lidam com isto atribuindo pontuações de probabilidade em vez de designações binárias de fraude ou não-fraude. Uma reclamação com uma probabilidade de fraude de 95 por cento recebe um encaminhamento imediato para a SIU. Uma reclamação com uma probabilidade de 60 por cento recebe uma revisão aprofundada pelo perito com áreas específicas a investigar. Uma reclamação com uma probabilidade de 20 por cento prossegue normalmente, mas permanece na memória do sistema para análise futura de padrões.
Os modelos também aprendem com os resultados da SIU. Quando uma investigação confirma fraude, o modelo reforça os padrões que levaram à deteção. Quando uma investigação iliba uma reclamação, o modelo ajusta-se para reduzir falsos positivos semelhantes no futuro. Este ciclo de aprendizagem contínua melhora a precisão ao longo do tempo.
As seguradoras que implementaram a deteção de fraude por IA reportam identificar duas a três vezes mais atividade de fraude organizada do que os seus métodos anteriores detetavam. A taxa de recuperação em reclamações investigadas também melhora porque os casos chegam à SIU com pacotes de provas mais robustos.
Saiba como a IA está a reforçar a deteção de fraude para seguradoras na página da FirmAdapt para a indústria seguradora.